Clustering algorithms developed in

Clustering algorithms developed in the literature can be classified into partitional clustering and hier­archical clustering [DH73, JD88]. Partitional cluster­ing algorithms, as the name suggests, divide the point space into k clusters that optimize а certain criterion function. The most commonly used criterion function for metric spaces is In the above equation, m; is the centroid of cluster С; while d(x, m;) is the euclidean distance l between x and m;. Thus, intuitively, the criterion function E attempts to minimize the distance of every point from the mean of the cluster to which the point belongs. А common approach is to minimize the criterion func­tion using an iterative, hill-climbing technique. For example, starting with k initial partitions, data points are moved from one cluster to another to improve the value of the criterion function.
While the use of the above criterion function could yield satisfactory results for numeric attributes, it is not appropriate for data sets with categorical at­tributes. For example, consider а market basket database. Typically, the number of items, and thus the number of attributes in such а database is very large (а few thousand) while the size of an average transaction is much smaller (less than а hundred). Fur­thermore, customers with similar buying patterns and belonging to а single cluster, may buy а small subset of items from а much larger set that defines the clus­ter. For instance, consider the cluster defined by the set of imported items like French wine, Swiss cheese, ltalian pasta sauce, Belgian beer etc. Every transaction in the cluster does not contain all of the above items, but some subset of them. Thus, it is quite possible that а pair of transactions in а cluster have few items in common, but are linked bу а number of other trans­actions in the cluster, that have substantial items in common with the two transactions.

Результаты (русский) 1:

Кластеризация алгоритмов, разработанных в литературе можно подразделить на partitional кластеризации и иерархической кластеризации [DH73, JD88]. Partitional алгоритмы кластеризации, как предполагает его название, разделить пространства в точке k кластеров, которые оптимизируют а определенных критерий функции. Наиболее часто используемые функции критерий для метрических пространств в выше уравнения, м; Это центроида кластера С; во время d (x, m;)-л евклидово расстояние между x и m;. Таким образом интуитивно, критерий функция E пытается минимизировать расстояние между каждой точки из виду кластера, к которому принадлежит точка. А общий подход заключается в минимизации критерий функции, используя итеративный, Хилл восхождение техники. Например начиная с k первоначальный разделов, точек данных перемещаются из одного кластера на другой, чтобы повысить значение критерия функции. В то время как использование функции выше критерий может принести удовлетворительные результаты для числовых атрибутов, он не подходит для наборов данных с категориальной атрибутами. Например рассмотрим базу данных а потребительской корзины. Как правило, количество элементов и таким образом количество атрибутов в базе данных таких а очень большой (а несколько тысяч) в то время как размер средняя сделка является намного меньше (менее а сто). Кроме того клиенты с аналогичными покупка шаблонов и принадлежащих к а один кластер, может купить а небольшое подмножество элементов из а гораздо больший набор, который определяет кластер. Например рассмотрим кластер, определяется набор импортируемых элементов как французские вина, швейцарский сыр, соус макаронных изделия итальянской, бельгийское пиво и т.д. Каждая сделка в кластере не содержит всех элементов выше, но некоторые их подмножество. Таким образом, это вполне возможно, что а пара операций в кластере а имеют совокупно несколько элементов, но связан Web-сайта а количество других операций в кластере, которые имеют существенные элементы общего с двух сделок.

Результаты (русский) 2:

Кластеризации алгоритмы, разработанные в литературе могут быть классифицированы в partitional кластеризации и иерархической кластеризации [DH73, JD88]. Partitional алгоритмы кластеризации, как и предполагает название, разделить точку пространства в K кластеров, которые оптимизируют а определенную функцию критерия. Наиболее часто используется критерий функция метрических пространств В приведенном выше уравнении, м; это центр тяжести кластера С; в то время как г (х, м;) есть расстояние евклидовой л между х и м ;. Таким образом, интуитивно, целевая функция Е пытается минимизировать расстояние каждой точки от среднего кластера, к которому принадлежит точка. А общий подход заключается в минимизации целевой функции, используя итерационный, пониженную технику. Например, начиная с K начальных разделов, точки данных перемещаются из одного кластера в другой, чтобы улучшить значение целевой функции.
В то время как использование выше целевой функции может дать удовлетворительные результаты для числовых атрибутов, он не подходит для наборов данных с категорическими атрибутов. Рассмотрим, например, базы данных а потребительской корзины. Как правило, количество элементов, и, таким образом количество атрибутов в такой базы данных а это очень большой (а несколько тысяч), а размер средней сделки намного меньше (менее а сто). Кроме того, клиенты с подобными узорами покупка и принадлежности к а один кластер, может купить а небольшое подмножество элементов из а гораздо больший набор, который определяет кластер. Например, рассмотрим кластер, определенный набор импортных товаров, таких как французского вина, швейцарского сыра, итальянского соуса макароны, бельгийское пиво и т.д. Каждая сделка в кластере не содержит все из перечисленного, но некоторое подмножество из них. Таким образом, вполне возможно, что пара а сделок в кластер, а несколько пунктов общего, но связаны web-сайта а ряд других операций в кластере, которые существенные элементы, общие с двумя сделок.

Результаты (русский) 3:

Алгоритмы кластеризации в литературе можно разделить на partitional кластеризации и здесь­archical кластеризации [DH73, JD88]. Partitional cluster­образное алгоритмы, как следует из названия, разделить точку пространства, в k кластеров, оптимизировать ваши определенных критериев. Наиболее часто используется критерий функция для метрических пространств в выше уравнения, м;- центроид cluster °С; в то время как d(x, m;) - это евклидово расстояние l между x и m;. Таким образом, интуитивно, критерий функция E попытки свести к минимуму расстояние от любой точки в средней группе, которым принадлежит точка. РУБЛЕЙ общего подхода состоит в том, чтобы минимизировать критерий func­- с помощью итеративный, хилл скалолазание метода. Например, начиная с k Первоначальный разделы,Данные перемещаются из одной группы в другую, чтобы повысить значение критерия.
в то время как использование указанных выше критерия может дать удовлетворительные результаты для числовых атрибутов, не соответствующих наборов данных с категорическим на­благодарностей. Например, на рынке облигации корзина базы данных. Как правило, число пунктов повестки дня,И, следовательно, число атрибутов в таких рублей база данных является очень большой (несколько тысяч), в то время как размер средний размер сделки намного меньше (менее рублей сто). Меха­thermore, клиентов с аналогичными покупательских моделей и принадлежащих к рублей один кластер, может приобрести облигации небольшого числа пунктов из гораздо более крупных, определяет clus­тер. Например,Рассмотреть вопрос о группе определяется набор импортировать элементы, такие как по-французски вино, Швейцарский Сыр, итальянский спагетти соус, бельгийское пиво и т.д.Все сделки в этой группе не содержит всех пунктов, указанных выше, но некоторых из них. Таким образом, вполне возможно, что рублей пара сделок в группе несколько элементов в общей, но связаны с осетинской рублей количество других trans­действия в группе,, существенные элементы в общей с двух сделок.